常用Fisher判别函数的判别矩阵研究

在线性判别分析(Linear discriminant analysis, LDA)中, 比迹函数、比值函数和迹比函数是三种常用的Fisher判别函数, 每一个判别函数都可得到一个正交判别(Orthogonal discriminant, OD)矩阵和一个不相关判别(Uncorrelated discriminant, UD)矩阵. 本文的主要目的是对这6种判别矩阵的获取方法及其性质进行系统分析, 拟期更清楚地认识它们的联系与区别. 当类内协方差阵非奇异时, 比迹、比值函数的判别矩阵和迹比函数的OD矩阵的获取方法及性质已有研究, 本文对迹比函数的UD矩阵的获取方法及性质进行了补充研究, 得到了迹比函数的UD矩阵与比迹、比值函数的UD矩阵是同一矩阵以及迹比函数的UD矩阵的判别函数值不超过它的OD矩阵的结论. 当类内协方差阵奇异时, 6种判别矩阵的获取方法遇到了困难, 为克服这一困难, 本文首先用极限的思想重新定义了这三种判别函数, 然后采用求极限的方法得到了6种判别矩阵的获取方法. 从所得的获取方法可以看出, 当所需的判别向量均在类内协方差阵的零空间中时, 6个判别矩阵是同一矩阵.     

EMD信号分析方法边缘效应的分析

在论述了经验模式分解（EMD）信号分解原理的基础上，分析了其存在的边缘效应，并提出了通过添加极值点抑制边缘效应的思路和策略。然后，针对一个单分量非线性信号和齿轮箱振动信号，对比分析了添加两个极值点，一个极值点和直接以数据端点作为极值点三种方式进行EMD分解的效果，所提出的预测附加极值点较好地抑制了边缘效应，并指出了进一步完善的方向。     

引入迁移学习的癫痫EEG信号自适应识别

在脑电图( EEG)信号识别中,EEG信号的采样环境、病人状态的多样性导致分类器训练所用的源域与分类器测试所用的目标域不匹配,分类器在目标域上表现不佳。为此,引入邻域适应策略,提出一种基于子空间相似度的改进主成分分析特征提取方法( SSM-PCA),在选择主成分时,考虑源域和目标域数据的几何和统计特性,并结合迁移学习分类器大间隔投射迁移支持向量机( LMPROJ),给出以SSM-PCA为基础的LMPROJ分类识别方法。实验结果表明,与结合PCA特征抽取技术和K近邻分类器实现的识别方法相比,该方法在识别正确率方面得到较大提升。     

基于Fisher块对角LNMF的彩色人脸识别

为提高对彩色人脸的识别率,提出一种基于Fisher块对角局部非负矩阵分解(LNMF)的识别算法。采用块对角矩阵编码彩色图像不同通道的颜色信息,在LNMF算法中增加块对角约束和Fisher判别约束,对不同通道的颜色信息同时进行计算并融入人脸的类别信息,用于提取人脸特征。在CVL和PIE彩色人脸数据库上的实验结果验证了该识别算法的有效性。     

两轴车辆动态称重信号分析方法研究

汽车在行驶过程中,各轴之间的质量分配取决于即时悬挂、驱动、制动系统中的摩擦力和加速度等因素,而称重传感器接收到的信号同时又与汽车、台板的振动有关。分析了汽车在非匀速通过称重台板时简化汽车模型的轴重分配,首先,从动态称重信号中提取速度和加速度信号,然后,对车轮完全上台后的信号利用经验模分解(EMD)方法求得剩余分量的平均值,以剔除信号中的振动影响成分。利用车型、速度、加速度等参数进行动态校正,数据处理结果表明:当汽车通过台板的时间大于振动系统的基频周期时,用该方法能提高测试精度。     

基于IMF能量谱的水声信号特征提取与分类

经验模态分解（EMD）是用来处理非平稳时变信号的一种信号分析方法,该方法对所分析信号的局部特征信号进行不同时间尺度的分解,从而得到这些局部特征信号的各阶本征模函数（IMF）。提出了一种基于IMF能量谱的水声信号特征提取与选择方法,通过对水声信号进行经验模态分解,提取信号的本征模式分量并转换为能量谱特征向量,从而观测不同信号子频带能量谱的特征变化。分类实验采用支持向量机（SVM）分类器进行。实验结果表明,相对于小波能量谱特征提取法而言,利用IMF能量谱作为特征向量的分类实验具有更佳的分类效果,平均正确率达88%以上。     

GDISD团队动态协作信任演化过程研究

异地分布式信息系统开发(GDISD)团队间协作关系是动态发展的,根据组织间信任演进理论,分析分布式开发团队协作关系的发展过程,构建GDISD团队动态协作信任演进的理论模型.从生态学种群增长的视角,运用logistic方程对GDISD团队协作信任演化进行数理分析,使用Jacobi矩阵对方程改进,通过仿真对演化模型进行模拟分析.研究发现,GDISD团队形成与建立的初期,协作方自身信任度的建立对协作信任的发展具有积极作用,并且对信任度的感知积极影射给对方,会加速GDISD团队协作信任的动态演化.研究结果对于分布式团队的管理具有显著的意义.     

大规模动态网络的相似性度量方法研究

复杂网络相似性度量在异常检测、状态划分等网络分析应用中起着至关重要的作用。近年来,静态网络相似性受到学者的广泛关注,但在实际场景中,网络结构往往会随着时间的推移不断演化,网络规模也会逐渐增大,如何快速且准确地评估动态网络之间的相似性面临巨大的挑战。基于静态网络的谱距离方法尽管取得了不错的效果,但对于大规模动态网络而言计算成本很高。为了解决这一问题,提出了一种快速计算动态网络相似性的方法。该方法基于矩阵扰动理论估算动态网络特征值的变化进而计算网络的相似性,具有线性复杂度。在人工数据集与真实数据集上的实验表明,提出的方法在保证准确率的基础上有效降低了计算复杂度。     

基于VMD的相控阵超声信号降噪方法研究

针对超声检测在钢板板边和轮对可能存在漏检的问题,采用相控阵超声检测技术对钢板板边裂纹缺陷和轮对孔缺陷进行成像检测;针对钢板和轮对缺陷散射信号信噪比低的问题,提出了一种参数优化的变分模态分解（VMD）算法,避免了人为主观影响,通过选择对应频带的本征模态函数（IMF）分量表征原始信号特征,并通过比较VMD分解后各本征模态函数（IMF）分量与原始信号的信噪比与均方根误差来评价（VMD）算法的效果,最终实现缺陷成像检测。实验结果表明：与原始信号相比,该方法处理后的缺陷信号具有较好的保真度,信噪比与平滑度,均方根误差降低,不易出现模态混叠现象,有良好的分解效果。处理后成像结果更为清晰,缺陷的大小、位置及形状都能够完整展示出来,可以实现孔缺陷和裂纹缺陷的定位检测。     

基于统计特征和小波分解方法的人脸识别研究

计算机的自动人脸识别是当今研究的热点和难点,并且在安全系统和商贸系统等领域有着广泛的应用。论文介绍了用于人脸识别的基于统计特征的方法和基于小波分解的方法,并对每种识别方法进行分析与比较,总结了影响人脸识别技术应用的关键因素。     

一种改进的基于陷波器的脑电消噪方法研究

为了脑电信号消噪,在陷波器的基础上,提出了一种将小波分析与陷波器相结合用于脑电消噪的改进方法。首先设计了一种改进的去噪算法（陷渡器）,介绍了小波阈值消噪算法的四种阔值规则,并分别结合已设计陷波器对自发脑电消噪进行结果比较。分析表明,两种算法的结合比单纯应用其中一种算法更有效地抑制了噪声,证明了改进方案的可行性和有效性。     

Direct effects of audio-visual stimulation on EEG

In the course of 2 months, 25 repetitions of a 20 min audio-visual stimulation (AVS) program with stimulations at 17, 9, 4, and 2 Hz were applied to 6 volunteers. EEG data were recorded from 6 scalp locations prior, during and after AVS. In order to identify direct and transient changes in EEG under influence of AVS, total power, relative frequency band powers and magnitude-squared coherences were estimated. Intense brain wave entrainment as a direct reaction to AVS was significant through increase of spectral powers and coherences around the stimulating frequency bands in the occipital areas, spreading also to the central and frontal regions. However, these excitations were ‘short-lived’. On the other hand some signs of interhemispheric cooperation (coherences in the narrow bands around 2, 4, and 17 Hz at parieto-occipital areas) remained increased during the investigated 3 min after AVS. As going through further AVS sessions the driving response progressively enhanced for 2 and 4 Hz stimulation in centro-parietal locations. Progress was also found in the left and right hemisphere synchronization examined by coherences. In perspective, the results contribute to deeper comprehension of photic stimulation approaches as a technique of guided entrainment of the brain waves or intermediate increase of hemispheres’ synchronization.     

基于局部模式的癫痫脑电信号自动分类方法

为有效地检测脑电图(EEG)中的癫痫信号,设计一维局部三值模式(1D-LTP)算子提取信号特征,并结合主成分分析(PCA)和极限学习机(ELM)对特征进行分类。通过1D-LTP算子计算信号点的顶层模式和底层模式下的特征变换码以准确滤除干扰信号,并对变换码直方图PCA降维后采用ELM进行分类,以10折交叉验证评估分类性能。实验结果表明,该方法能有效识别在癫痫发作期的EEG信号,其准确率可达99.79%。     

基于单试次脑电解码的类自举法谎言预测研究

基于脑电(Electroencephalogram, EEG)的谎言检测技术依赖于对事件相关电位(Event-related potential, ERP)的有效解码, 当前主要采用手工设计特征进行脑电分析. 近年来, 单试次脑电分类方法取得了长足进步, 其中端到端的脑电分类方法能够实现对脑电的自动特征提取和分类, 但在谎言检测中缺乏研究和应用, 同时存在无法在测谎场景下直接应用的问题. 本研究设计基于复合反应范式(Complex trial protocol, CTP)进行自我面孔信息识别任务的实验, 采集了18 名被试的脑电数据. 研究了不同端到端的单试次ERP分类方法在谎言检测中的应用, 同时针对单试次脑电解码方法无法直接实际应用的问题, 提出了一种类自举算法. 算法基于数据分布假设, 通过对比各类刺激图像被视为探针刺激时所训练模型的性能, 来推断真正的探针刺激. 实验结果表明, 在基于自我面孔信息的CTP的谎言预测中, 所提出的类自举法性能优于传统探针预测方法, 在仅使用少量脑电数据情况下, 可实现准确的谎言预测.     

基于脑电信号相干性分析的阿尔兹海默病诊断的研究

在分析了脑电图数据的相干性算法后,提出了基于离散取样数据的相关函数与相干系数的算法,并用C 语言进行了软件设计.经临床应用发现本研究的相关系数算法快速方便,并且实验发现阿尔兹海默病患者与正常人群脑电图在左右前额叶间(F3-F4)、左右中心间(C3-C4)、左右顶间(P3-P4)、左右颞间(T5-T6)的相干系数有明显的差异,提示脑电图数据的相干性计算分析在临床上对阿尔兹海默病有诊断意义.     

Multi-class classification of construction hazards via cognitive states assessment using wearable EEG

Improving workers’ safety and health is one of the most critical issues in the construction industry. Research attempts have been made to better identify construction hazards on a jobsite by analyzing workers’ physical responses (e.g., stride and balance) or physiological responses (e.g., brain waves and heart rate) collected from the wearable devices. Among them, electroencephalogram (EEG) holds unique potential since it reveals abnormal patterns immediately when a hazard is perceived and recognized. Unfortunately, the unproven capacity of EEG signals for multi-hazard classification is a primary barrier towards ubiquitous hazard identification in real-time on jobsites. This study correlates EEG signal patterns with construction hazard types and develops an EEG classifier based on the experiments conducted in an immersive virtual reality (VR) environment. Hazards of different types (e.g., fall and slip/trip) were simulated in a VR environment. EEG signals were collected from subjects who wore both wearable EEG and VR devices during the experimentation. Two types of EEG features (time-domain/frequency-domain features and cognitive features) were extracted for training and testing. A total of eighteen advanced machine learning algorithms were used to develop the EEG classifier. The initial results showed that the LightGBM classifier achieved 70.1% accuracy based on the cognitive feature set for the 7-class classification. To improve the performance, the input data was relabeled, and three strategies were designed and tested. As a result, the combined approach (two-step ensemble classification) achieved 82.3% accuracy. As such, this study not only demonstrates the feasibility of coupling wearable EEG, VR, and machine learning to differentiate jobsite hazards but also provides strategies to improve multi-class classification performance. The research results support ubiquitous hazard identification and thereby contribute to the safety of the construction workplace.     

基于眼动辅助脑电信号的手部动作分类方法

提出一种利用小波包变换和支持向量机对手部动作的运动想象脑电信号进行分类的方法。在相关眼动辅助情况下采集想象手部动作时的C3、C4 、P3和P4通道脑电信号,用小波包变换的方法提取4种特征节律波,分别计算每种节律波能量占4种节律波能量之和的比值作为特征,然后将16维特征向量输入支持向量机分类器进行手部动作分类。对上翻、下翻、展拳、握拳4种手部动作的分类实验中平均识别率为82。3%,表明眼动辅助能有效提高运动想象脑电信号可分性。     

About the convergence of POD and EPOD modes computed from CFD simulation

In most fluid mechanic applications, the dominant high energy content POD modes are generally well converged justifying the great use of POD to extract the associated large scale flow structures of a turbulent flow. However for particular studies related to the characterization of smaller flow structures, it is necessary to take into account high order POD modes. In this paper based on a particular numerical database available on a finite-discrete spatio-temporal domain, the sensibility of POD modes to both spatial discretization and independent temporal samples is highlighted as a function of integral time and space scale content. A systematic procedure is then proposed in order to verify the spatial convergence of POD modes for a given number of points per integral space scale and per integral time scale and also for a given number of uncorrelated samples that is the number of integral time scale contained in the original signal. The convergence of Extended POD modes is also verified by an error threshold definition that permits to avoid any misinterpretation of the results. A new extension of the EPOD procedure based on the snapshot POD technique is then proposed aiming at using only the converged EPOD modes to characterize the correlated part of the signal.     

LMD方法在脑电信号处理中的应用研究

局部均值分解(LMD)是一种新的非线性非平稳信号处理方法,该方法具有较强的自适应性,能将复杂信号分解为一系列具有物理意义的PF(production function)分量。但在信号分解过程中会产生端点效应,这将影响LMD分解精度,严重时会导致信号失真。在详细分析了LMD产生端点效应的原因之后,提出了一种基于相似波形加权匹配的端点延拓算法。通过对视觉诱发脑电信号进行仿真,并且和不做延拓的LMD分解结果做对比,说明该方法能够有效抑制LMD的端点效应,取得较好的分解效果。